我把 850 万字法律库喂给 AI，然后发生了什么？

翔宇工作流100个原创 Skill 第 6 期
你敢信吗？
一份 PDF 丢进去，30 秒后，18000 字法律咨询报告出来了。
争议焦点、适用法规、类似判例、诉讼策略、赔偿计算——一个不少。
这不是律所的收费服务。
这是我用 Claude Code Skill 搭建的 AI 律师助理。
今天，我把 850 万字法律知识库 + 8 步自动化工作流完整分享。读完这篇文章，你将获得：

1. 一套完整的系统架构 ：知识库设计 + 工作流编排 + 报告生成的全链路方法论
2. 一种可迁移的思维模型 ：「结构化知识 + 自动化检索」的模式，可复制到医疗、财税等任何垂直领域
3. 一个可直接复刻的系统 ：文末提供完整提示词，让你从零构建自己的领域助理

先叠个甲：这套系统是「法律助理」，不是「法律替代」。它帮你快速搞清楚「我的案子是什么类型」「有没有过诉讼时效」「大概能赔多少钱」，但最终的专业判断，还是得找执业律师。

1. 两个痛点：你是不是也这样？

普通人的法律焦虑

如果你是程序员、产品经理、或者任何一个「技术人」——
你一定懂这种感觉：
出了交通事故，对方全责，你躺医院三个月。出院后想索赔，打开百度搜「交通事故赔偿」，跳出来几百万条结果。
你想知道的很简单：

• 我能赔多少钱？
• 该去哪个地方起诉？
• 有没有过诉讼时效？
• 对方有保险，保险公司会不会耍赖？

但搜出来的文章要么是律师事务所的广告，要么是法条原文——看完还是不知道自己的情况该怎么办。
找律师咨询？300-500 一小时起步。更关键的是，你连自己的案子属于什么类型都不清楚，去了不知道问什么。
这就是普通人的法律焦虑：
不是不想主张权利，是不知道从哪开始。

🌉 用生活理解技术
这种焦虑就像没学过做菜的人翻菜谱。菜谱写「盐少许」「火候适中」——到底是多少？什么叫适中？你需要的不是菜谱，是有人告诉你「这道菜加 3 克盐，中火炒 2 分钟」。

律师的效率瓶颈

换个角度。如果你是律师呢？
一个劳动纠纷案子接进来，你需要：

1. 研读案情，提炼法律问题
2. 检索劳动法、劳动合同法、相关司法解释
3. 查找类似判例，分析裁判思路
4. 撰写法律意见书
5. 准备起诉状、证据清单

这套流程，一个熟练律师也要花 2-3 天。
问题在于：
「80% 的时间花在检索和整理上，只有 20% 用于真正的专业判断。」
你工作中是不是也有类似的感受？
更要命的是，法规在更新，司法解释在出台，你查的法条可能已经被修订了，你引用的案例可能已经无效了。
Thomson Reuters 调研发现，AI 工具对律师最大的价值是「节省时间」。美国律师协会（ABA）直接说 RAG（检索增强生成）是律师的「game-changer」。
但这些工具大多是英文的、付费的、需要复杂配置的。
我想做一个中文的、开箱即用的 。

普通人的法律焦虑 vs 律师的效率瓶颈

2. 一个方案：Claude Code Skill = AI 律师助理

什么是 Claude Code Skill？

先回答一个基础问题：Skill 是什么？
Claude Code 是 Anthropic 出品的 AI 编程工具。它最强大的能力是：你可以用自然语言定义一套工作流，让 AI 按照你设计的步骤自动执行 。
这套自定义工作流，就叫 Skill。

💡 说人话
Skill 就像你教会 AI 一套「标准作业流程」。以后只要说一声「执行这个流程」，AI 就会按部就班地完成，不需要你每次都重复指挥。

为什么用 Skill 做法律助理？

法律咨询非常适合用 Skill 实现。关键原因如下：
1. 流程标准化程度高
无论什么案件，咨询流程都是类似的：

• 了解案情 → 识别法律问题 → 检索法规 → 查找案例 → 给出建议

这套流程可以被拆解成明确的步骤，而明确的步骤正是 Skill 的强项。
2. 知识库边界清晰
法律知识不是无限的。现行有效的法律法规，全部整理出来也就几千万字。
这和通用问答不一样——通用问答的知识边界是整个互联网，而法律咨询的知识边界是法律法规数据库。边界清晰，意味着可以做到「全覆盖」。
3. 输出格式固定
法律咨询的输出物是什么？法律意见书、咨询报告、诉讼策略建议。
这些文书有固定的格式和结构，AI 只需要按模板填充内容。格式固定，意味着输出质量可控。

🏗️ 设计洞见
判断一个场景适不适合用 AI 自动化，看三点：流程是否可拆解、知识是否有边界、输出是否可验证。法律咨询三条全中，所以是个好赛道。

为什么不直接用 ChatGPT？

你可能会问：ChatGPT 不是也能回答法律问题吗？
确实可以。但有两个关键区别：
1. 幻觉问题
ChatGPT 可能会「编造」法条。它告诉你「根据民法典第 XXX 条」，但那条可能根本不存在。
专业知识系统不会。因为它只从你预先整理的知识库中检索，检索不到就告诉你「未找到相关法规」。
2. 可溯源性
ChatGPT 的回答没有来源。你不知道它是从哪学的、是否过时。
专业知识系统的每一条输出都有出处：「《民法典》第 1213 条，来自 laws/civil.md 第 542 行」。
一句话总结 ：ChatGPT 是「看起来懂」，专业知识系统是「真的懂」。

塔勒布在《反脆弱》里提过一个概念叫「杠铃策略」：
把风险分成两端——80% 放在极度保守的地方，20% 放在高风险高回报的地方。
法律咨询也是这个逻辑：

• 80% 的标准化工作 （检索法规、匹配案例、计算赔偿）→ 交给 AI
• 20% 的高价值判断 （策略选择、风险评估、庭审应对）→ 交给人类

AI 不是来抢律师饭碗的。它是来帮律师把 80% 的苦力活干了，让律师专注于那 20% 真正需要人类智慧的部分。
同样的逻辑，也适用于你。

系统定位：助理，不是替代

在继续之前，我要再强调一次这个系统的定位：
它是「法律助理」，不是「法律替代」 。
它能帮你做的事：

• 快速搞清楚案件类型和法律性质
• 检索可能适用的法规和案例
• 计算大概的赔偿金额范围
• 提示诉讼时效和管辖权
• 生成结构化的咨询报告供你参考

它不能帮你做的事：

• 提供具有法律效力的法律意见
• 替代律师的专业判断
• 处理复杂的证据分析
• 应对法庭上的突发情况

把它想象成「法律版的 114 查号台」：它帮你找到方向，但走哪条路还得你自己决定。

这套系统帮我在 30 秒内完成了律师 3 天的工作。
不是夸张。后面我会详细拆解怎么做到的。

AI 律师助理的设计理念

3. 知识库架构：850 万字是怎么组织的

一个 AI 助理的能力上限，取决于它背后的知识库。
我的法律知识库包含三大模块：
法规汇编 ：450 部法律、13,011 条款、278 万字，覆盖法考大纲全部领域
法院案例 ：1,322 个案例、23 大类、575 万字
文书教程 ：5 本书、23 门课程，覆盖起诉状等全流程
合计：853.7 万字。

📝 记住这个
这 16 个文件覆盖了法考大纲的全部范围。如果你是法律专业学生，这套知识库本身就是一个学习资料库。

读到这里，你可能觉得：「16 个领域、450 部法律，整理起来得多久？」
说实话，整理知识库花了我 3 周。
但这 3 周的投入，换来的是以后每次咨询只需要 30 秒 。
这就是「一次性投入，永久复利」的威力。

法院案例：1,322 个真实判例

案例库的数据来自案例研究院出版的年度案例汇编，包含：
民事纠纷（18 类） ：

• 婚姻家庭与继承纠纷：8 个案例
• 物权纠纷：67 个案例
• 合同纠纷：64 个案例
• 买卖合同纠纷：55 个案例
• 房屋买卖合同纠纷：57 个案例
• 民间借贷纠纷：57 个案例
• 借款担保纠纷：39 个案例
• 金融纠纷：67 个案例
• 保险纠纷：64 个案例
• 劳动纠纷：63 个案例
• 知识产权纠纷：59 个案例
• 公司纠纷：57 个案例
• 侵权赔偿纠纷：58 个案例
• 人格权纠纷：72 个案例
• 道路交通纠纷：60 个案例
• 提供劳务者受害责任纠纷：36 个案例
• 土地纠纷：56 个案例
• 执行案例：49 个案例

刑事案例（4 类） ：

• 刑事案例一：56 个案例
• 刑事案例二：67 个案例
• 刑事案例三：70 个案例
• 刑事案例四：70 个案例

索引设计：O(1) 复杂度检索

有了数据还不够，关键是怎么让 AI 快速找到它需要的内容。
我设计了一套「双层索引」系统：
第一层：JSON 索引文件

• law-index.json ：法律名称 → 文件位置
• alias-map.json ：法律简称 → 正式名称
• article-index.json ：条款号 → 行号范围
• case-index.json ：关键词 → 案例文件
• case-line-index.json ：案例标题 → 行号范围

比如，当 AI 需要查找「劳动合同法第四十七条」时，它的执行路径是：

1. 读取 alias-map.json，把「劳动合同法」映射到正式名称
2. 读取 article-index.json，找到「第四十七条」在哪个文件的哪一行
3. 直接用 Read 工具的 offset 参数跳到那一行

整个过程不需要全文扫描，检索复杂度是 O(1)。
第二层：Markdown 语义结构
法规文件本身也有结构化设计。每部法律用 H2 标题，每章用 H3 标题，每条用粗体标记。这样即使没有索引，AI 也能通过正则表达式快速定位。

🧩 结构拆解
为什么要双层索引？因为 AI 的上下文窗口有限。如果每次检索都要读取全部 850 万字，不仅慢，还可能超出长度限制。双层索引让 AI 可以「精确打击」，只读取需要的部分。

850 万字法律知识库架构

4. 8 步工作流拆解：从 PDF 到报告的全链路

有了知识库，接下来是工作流设计。
我把法律咨询拆解成 8 个步骤，每个步骤职责单一、输入输出明确：
Step 01 初始化 ：收集用户输入，创建运行目录 → 输出 config.json
Step 02 案情分析 ：提炼法律问题，分析时效管辖 → 输出 analysis.json
Step 03 法规检索 ：定位适用法条 → 输出 laws.md
Step 04 案例研究 ：查找类似判例 → 输出 cases.md

到这里，暂停一下。
前 4 步完成了什么？从一份混乱的案情描述，变成了「法律问题 + 法规 + 案例」的结构化素材 。
这就是 RAG（检索增强生成）的核心：先检索，再生成 。
继续。

Step 05 文书检索 ：获取文书写作指导 → 输出 docs.md
Step 06 互联网检索 ：补充最新信息 → 输出 web.md
Step 07 综合整理 ：合并所有信息 → 输出 answers.md
Step 08 报告输出 ：生成最终报告 → 输出 report.md

Step 01：初始化

用户触发 Skill 后，系统会问三个问题：

1. 输入方式：上传文档还是描述案情？
2. 文档路径或案情描述
3. 咨询需求：法律分析？案例参考？诉讼策略？文书指导？

然后创建一个运行目录，把所有配置保存到 config.json。
支持的文档格式 ：PDF、Markdown、纯文本。PDF 会自动转成文本。

Step 02：案情分析

这是整个工作流的核心步骤。
如果说知识库是「弹药库」，案情分析就是「瞄准镜」——方向对了，后面每一步都有意义。
AI 会从案情中提炼出：
1. 法律问题清单
把复杂的案情拆解成 2-5 个具体的法律问题，每个问题包含：

• 问题描述
• 目标法条
• 目标案由
• 检索关键词

2. 诉讼时效分析
判断案件有没有超过法定期限：

• 一般民事 ：3 年，从知道或应当知道权利被侵害之日起算
• 劳动争议 ：1 年，从劳动关系终止之日起算
• 人身损害 ：3 年，从伤害发生之日或伤残鉴定之日起算

3. 管辖权分析
确定案件应该去哪个机构：

• 是直接起诉还是需要仲裁前置？
• 去被告所在地还是合同履行地？
• 去基层还是中级法院？

❓ 你可能会问
为什么要先分析时效和管辖？因为这两项决定了案件能不能立案。如果时效已过，你准备再多材料也没用。如果管辖错误，会被直接驳回。这是「门槛问题」，必须先确认。

Step 03：法规检索

根据 Step 02 提炼的法律问题，在知识库中检索适用的法规。
检索策略：

1. 先用「目标法条」精确检索
2. 找不到再用「检索关键词」模糊检索
3. 输出时附带法条原文和来源位置

比如，对于「超载导致的交通事故」，系统会检索到：

• 《民法典》第 1213 条（机动车交通事故赔偿顺序）
• 《保险法》第 17 条（免责条款提示义务）
• 《道路交通安全法》第 76 条
• 《交通事故损害赔偿解释》第 16 条

Step 04：案例研究

在 1,322 个案例中查找与当前案件相似的判例。
检索维度：

• 按案由匹配（如「机动车交通事故责任纠纷」）
• 按关键词匹配（如「超载」「保险免赔」）
• 按法条关联（如引用了同一条法规的案例）

输出格式：

• 案件基本信息（案号、案由、当事人）
• 基本案情
• 争议焦点
• 裁判要旨
• 与当前案件的相似度和参考价值

Step 05：文书检索

根据案件类型，检索相关的法律文书写作指导。
比如交通事故案件，系统会检索：

• 民事起诉状的格式要求
• 证据清单的编写方法
• 赔偿金额计算的注意事项

Step 06：互联网检索

用 brave_web_search 工具补充最新信息。
为什么需要这一步？因为：

• 法规可能有最新修订
• 司法解释可能有最新出台
• 地方可能有特殊规定

互联网检索是对本地知识库的补充，确保信息时效性。

Step 07：综合整理

把前面所有步骤的输出整合起来，按法律问题逐一回答。
整合原则：

• 法规 + 案例 + 文书 = 完整的法律分析
• 每个问题都有法律依据 + 案例支撑 + 实操建议
• 信息冲突时以最新的为准

Step 08：报告输出

把综合整理的结果转化为可读的咨询报告。
报告结构：

1. 案情概述
2. 诉讼时效与管辖权分析
3. 逐问题法律分析
4. 综合法律意见
5. 风险提示
6. 附录（法规清单、案例清单）

🎯 打个比方
这 8 步就像医院的诊断流程：挂号（初始化）→ 问诊（案情分析）→ 验血验尿（法规/案例检索）→ 影像检查（互联网补充）→ 会诊（综合整理）→ 开诊断报告（报告输出）。每一步都有明确的输入输出，步步有章法。

8 步法律咨询工作流

5. 实战演示：真实交通事故案例

理论讲完了，看个真实案例。

案情输入

一份交通事故 PDF 文档，内容大意是：
2024 年 11 月 15 日，王某驾驶物流公司的新能源货车（核载 2 吨，实载 4.8 吨，超载 140%），在下坡弯道制动失灵，撞伤行人李某。
交警认定王某全责。李某经鉴定为九级伤残，误工 180 天，护理 90 天，后续治疗费约 3.5 万元。
车辆投保了交强险和商业三者险（100 万元），保险合同约定「违反安全装载规定的，增加免赔率 10%」。
李某想知道：能赔多少钱？找谁赔？

系统分析

Step 02 案情分析后，系统识别出 4 个法律问题：
Q1：商业三者险 10% 免赔条款是否有效？
这是保险合同纠纷的常见争议。保险公司会说「你超载了，合同约定免赔 10%」。但法律规定，免责条款必须「提示 + 明确说明」，否则不生效。
Q2：物流公司是否承担用人单位责任？
王某是给物流公司开车的，出了事故，公司要不要负责？关键看王某和公司是什么关系：劳动关系？劳务关系？临时聘用？
Q3：赔偿责任如何在各被告之间划分？
涉及保险公司、物流公司、驾驶员三方，赔偿顺序是什么？
Q4：赔偿金额如何计算？
九级伤残能赔多少？误工费怎么算？护理费怎么算？

法规检索结果

针对 Q1，系统检索到：

• 《保险法》第 17 条：免责条款须提示 + 明确说明，否则不生效
• 《保险法》第 19 条：免除保险人义务的格式条款无效
• 《保险法》第 30 条：有争议的格式条款，作有利于被保险人的解释
• 《保险法解释二》第 9 条：免赔率属于「减轻保险人责任的条款」

针对 Q2，系统检索到：

• 《民法典》第 1191 条：用人单位的工作人员因执行工作任务造成他人损害的，由用人单位承担侵权责任

针对 Q3，系统检索到：

• 《民法典》第 1213 条：先由交强险赔偿 → 不足部分由商业险赔偿 → 仍不足由侵权人赔偿

针对 Q4，系统检索到：

• 《民法典》第 1179 条：人身损害赔偿范围
• 《人身损害赔偿解释》第 6-12 条：各项赔偿的计算标准

案例研究结果

系统找到 5 个高相关案例，其中最有参考价值的是：
（2022）鲁 08 民终 7287 号
济宁中院认定：保险合同中看似「适用条件」的条款，如果实质上减轻保险人责任、限制被保险人权利，应认定为免责条款。保险公司未用加粗加黑方式提示的，该条款不生效。
（2023）京 02 民终 14432 号
北京二中院认定：判断用人单位用「从属性」标准——谁下达工作指令、谁监督工作、谁承担经营风险。即使没有书面劳动合同，事实上完成公司工作任务的，也构成用人关系。

输出报告摘要

最终输出的报告长达 18000 字，包含以下核心结论：
诉讼时效 ：3 年，截止 2027 年 11 月 15 日，风险等级「低」
Q1 结论 ：10% 免赔条款大概率无效。保险公司难以证明已尽提示说明义务，参考案例支持。
Q2 结论 ：物流公司应承担用人单位责任。王某称「按公司调度指令装货」，构成职务行为。
Q3 赔偿顺序 ：

1. 交强险限额内（18 万伤残 + 1.8 万医疗）
2. 商业三者险限额内（100 万）
3. 不足部分由王某、物流公司承担

Q4 赔偿计算 （预估）：

• 医疗费 ：待统计
• 误工费 ：27,000 元（180 天 × 150 元/天）
• 护理费 ：13,500 元（90 天 × 150 元/天）
• 残疾赔偿金 ：180,000 元（20% × 45,000 × 20 年）
• 后续治疗费 ：35,000 元
• 精神损害抚慰金 ：8,000 元
• 营养费 ：3,600 元
• 交通费 ：2,000 元
• 合计（不含医疗费） ：约 269,100 元

胜诉概率评估 ：89/100，A 级（高），预估胜诉率 80%-90%

从 PDF 输入到 18000 字报告输出，全程约 30 秒。
这 30 秒里，系统完成了：案情解析、时效计算、法规检索、案例匹配、赔偿估算、报告生成。
换成人工，这是 2-3 天的工作量。

想象一下：
你拿着这份报告走进律师事务所。
律师翻了两页，抬头看你的眼神变了——「你这准备工作做得比大部分当事人都专业。」
这不是想象。这是 AI 给你的底气。

实战：30 秒生成 18000 字报告

6. 技术架构：Markdown + JSON 双层设计

讲完用法，讲讲底层技术。

为什么选 Markdown？

法律文档用 Markdown 存储有三个好处：
1. 原生支持层级结构
法律文件天然有层级：篇 → 章 → 节 → 条 → 款 → 项。Markdown 的标题层级（# ## ### ####）正好对应。
2. 纯文本便于版本控制
用 Git 管理，每次法规修订都有记录。想回溯历史版本？git log 就行。
3. AI 友好
Markdown 是 AI 最容易理解的文档格式。不需要解析 Word 的 XML，不需要处理 PDF 的编码，直接读取、直接理解。

如果你是程序员，你一定懂这种设计哲学：
用最简单的工具，做最复杂的事情。
Markdown + JSON + Git，都是程序员的「老朋友」。用熟悉的工具链，做不熟悉的领域，学习成本降到最低。

为什么加 JSON 索引？

Markdown 解决了存储问题，JSON 解决了检索问题。
场景 1：模糊检索
用户说「劳动法」，到底指《劳动法》还是《劳动合同法》？
JSON 索引里的 alias-map.json 记录了所有简称到正式名称的映射，让 AI 能处理简称、别名、口语化表达。
场景 2：精确定位
用户要查「民法典第 1213 条」，不需要扫描整个民法篇文件。
article-index.json 记录了每个条款在哪个文件的哪一行，AI 直接用 Read 工具的 offset 参数跳到那几行。
场景 3：案例联想
用户的案件是「交通事故 + 超载 + 保险免赔」，应该查哪些案例？
case-index.json 记录了关键词到文件的映射，让 AI 能做快速联想。

🔬 底层原理
这套设计的本质是「空间换时间」。预先建立索引，检索时直接查表，把 O(n) 的全文扫描变成 O(1) 的索引查找。这是数据库的基本原理，我们只是把它应用到 AI 知识库。

工作流状态管理

每次运行都会创建一个目录，所有中间结果写入文件：
目录结构 ：

1. runs/{keyword}-{timestamp}/
   • state/：config.json（用户配置）、progress.json（进度状态）
   • step02-analyze/：analysis.json（案情分析结果）
   • step03-laws/：laws.md（法规检索结果）
   • step04-cases/：cases.md（案例研究结果）
   • step05-docs/：docs.md（文书检索结果）
   • step06-web/：web.md（互联网检索结果）
   • step07-integrate/：answers.md（综合整理结果）
   • output/：report.md（最终报告）

为什么要这样设计？
1. 断点续跑
万一中途出错，从 progress.json 读取进度，从断点继续。
2. 结果可审计
每一步的输出都保留，方便回溯和调试。
3. 模块独立
每个 Step 只依赖前序输出文件，不依赖全局状态，可以单独测试。

7. 复用指南：迁移到其他垂直领域

这套系统的价值不仅是「法律咨询」，而是提供了一种「结构化知识 + 自动化检索」的通用模式。
这种模式可以迁移到任何垂直领域：

医疗领域

知识库：

• 疾病诊断指南
• 药品说明书
• 医学教科书

工作流：

• 症状分析 → 鉴别诊断 → 用药建议 → 注意事项

财税领域

知识库：

• 税法法规
• 会计准则
• 政策解读

工作流：

• 业务场景识别 → 税种判断 → 税率计算 → 合规建议

教育领域

知识库：

• 学科知识点
• 考试大纲
• 真题解析

工作流：

• 知识点定位 → 难度评估 → 学习路径 → 练习推荐

迁移三步法

Step 1：构建知识库
把领域知识整理成 Markdown 文件，建立 JSON 索引。
关键点：

• 按业务逻辑分类（不是按来源分类）
• 粒度要细（便于精确检索）
• 格式要统一（便于 AI 理解）

Step 2：设计工作流
把业务流程拆解成步骤，定义每一步的输入输出。
关键点：

• 每一步职责单一
• 步骤之间通过文件通信
• 支持断点续跑

Step 3：编写 Skill
用 Markdown 描述工作流逻辑，让 Claude Code 按流程执行。
关键点：

• 先读文档再执行
• 每步完成后写入中间结果
• 最后生成结构化输出

🧩 结构拆解
迁移的核心是三件事：知识结构化、流程标准化、输出模板化。只要你的领域满足这三点，就可以套用这种模式。

迁移三步法：复制到任何领域

真正的复利，不是重复劳动，是重复使用已经打磨好的系统。
下面这段提示词，就是我花 3 周打磨出来的「系统」。你可以直接拿去用。

读到这里，先做一件事 ：
把下面这段提示词复制到备忘录，或者直接保存这篇文章。
然后，下次遇到法律问题——或者医疗、财税、任何专业领域的问题——你就有底气了。

8. 一键复刻

复制下方提示词给 Claude Code，从零构建你自己的「领域知识助理」：
你是一位高级系统架构师，专精于 AI 驱动的知识管理系统设计。我需要你帮我从零构建一个「垂直领域知识助理」，参考法律咨询 Skill 的设计模式。
核心目标 ： 构建一个基于 RAG（检索增强生成）理念的领域知识助理，实现「知识结构化 + 检索自动化 + 报告生成」的全链路自动化。
系统架构 ：

1. 知识库层 （Knowledge Base）
   • 目录结构：按业务领域分类，每个领域一个 Markdown 文件
   • 索引设计：建立 JSON 索引文件，支持快速定位
   • 元数据：记录来源、版本、更新时间
2. 工作流层 （Workflow）
   • Step 01：初始化（收集输入、创建运行目录）
   • Step 02：问题分析（从输入中提炼具体问题）
   • Step 03：知识检索（在知识库中定位相关内容）
   • Step 04：案例匹配（查找相似案例）
   • Step 05：模板检索（获取输出格式参考）
   • Step 06：外部补充（互联网检索最新信息）
   • Step 07：综合整理（合并所有信息）
   • Step 08：报告输出（生成最终结果）
   • 采用 8 步流水线设计：
   • 每个 Step 输入输出明确，通过文件传递状态
3. 状态管理层 （State）
   • config.json：用户配置
   • progress.json：执行进度
   • 每个 Step 的输出写入独立目录

技术规格 ：

• 知识库格式：Markdown + JSON 索引
• 工作流描述：Markdown（workflow/stepXX-*.md）
• 状态存储：JSON
• 最终输出：Markdown 报告

实现步骤 ：

1. 首先，询问我要构建哪个领域的知识助理（如：医疗、财税、教育、HR）
2. 根据领域特点，设计知识库分类结构
3. 设计 JSON 索引 schema
4. 编写 8 步工作流的详细文档
5. 创建 SKILL.md 作为入口文件
6. 生成示例知识库内容（每个分类至少 3 条）
7. 测试完整流程

约束条件 ：

• 所有路径使用绝对路径
• 每个 Step 执行前先读取对应的 workflow 文档
• 支持断点续跑（通过 progress.json）
• 输出报告包含来源引用

请先询问我要构建哪个领域的知识助理，然后一步步引导我完成构建。

这套法律咨询 Skill 只是「垂直领域知识系统」的一个实战案例。在课程中，你还会学到跨境电商数据获取、SEO 实战、微信公众号自动化、小红书内容创作、PPT 批量生成、视频剪辑工作流等多个实战项目。
如果你想获取完整资源、系统学习 AI 编程工作流，欢迎加入 翔宇工作流：AI 编程实操课 。

9. 最后

写到这里，我想起一件事。
几年前，我一个朋友遇到劳动纠纷，被公司拖欠了 3 个月工资。他不知道怎么办，在网上查了一周，越查越焦虑，最后放弃了。
如果当时有这套系统，30 秒就能告诉他：劳动仲裁、劳动合同法第 30 条、追诉时效 1 年、预期回收 100%。
很多人不是不想主张权利，是被信息差困住了。

回到开头那个问题：普通人遇到法律问题怎么办？
以前的答案是：要么硬着头皮自己查，要么花钱请律师。
现在多了一个选项：用 AI 做初步诊断 。
它不会替代律师，但它能帮你：

• 搞清楚自己的案子是什么类型
• 知道大概能赔多少钱
• 了解应该去哪里起诉
• 带着准备好的问题去找律师

这就像去医院之前先用丁香医生查查症状——不是为了自己开药，是为了和医生沟通时不至于一问三不知。

三个核心洞见，再说一遍：

1. 结构化知识 + 自动化检索 = 专业级输出
2. AI 做 80% 的苦力，人类做 20% 的判断
3. 工具不是替代能力，而是放大能力

普通人对抗专业壁垒的唯一武器，就是工具。
850 万字知识库 + 8 步工作流 = 一份 PDF 进去，18000 字专业报告出来。
这就是 AI 带给普通人的法律信息普惠。

如果你是那种「不愿被信息差困住」的人——
如果你相信「工具能放大能力」——
那这套系统，就是为你准备的。

如果觉得有用：

• 收藏这篇文章 ，以后搭建时用得上
• 转发给需要的朋友 ，法律问题真的很常见